Giải quyết khoảng cách thực hiện trong Tự động hóa Trí tuệ Nhân tạo

Ước hẹn ban đầu của LLMs như một giải pháp toàn diện cho tự động hóa doanh nghiệp đã bị đình trệ. Chúng tôi đã giải quyết vấn đề suy luận ở quy mô lớn, nhưng việc chuyển đổi suy luận đó thành kết quả thực tế là một câu chuyện khác. Chúng tôi đã thấy những con số: 95% dự án tự động hóa trí tuệ tạo ra không bao giờ đạt được sản xuất, và 80% dự án trí tuệ truyền thống không thành công trong việc ra mắt.

Vấn đề không phải là thiếu hiểu biết. LLMs rất tốt trong việc phân tích yêu cầu chủ quan, phức tạp, nhưng hiểu biết chỉ là một nửa của trận chiến. Hầu hết các dự án thất bại vì các hệ thống cần thiết để hành động trên sự hiểu biết đó không bao giờ được kết nối hoặc tự động hóa từ đầu. Trí tuệ nhân tạo có thể quyết định chính xác những gì cần xảy ra, nhưng nó vô ích nếu nó không thể truy cập vào các công cụ hoặc thực hiện các giao dịch cần thiết để thực sự thực hiện công việc.

Ba giai đoạn của Tự động hóa Quy trình

Công việc thực tế xảy ra trong ba giai đoạn, nhưng các hệ thống ngày nay chỉ nắm bắt được một phần của chúng. Tự động hóa thất bại vì nó tập trung gần như độc quyền vào bước đầu tiên trong khi bỏ qua các cơ chế của hai bước tiếp theo.

1. Nhận dạng Ý định (Triage)

Bước đầu tiên là xác định những gì người dùng muốn. Đây là giai đoạn suy luận mà trí tuệ nhân tạo đã đạt được nhiều tiến bộ. Ví dụ, một cộng tác viên chuyên gia đọc một vé, phân loại ý định và quyết định về con đường phía trước dựa trên chính sách của công ty. Ngày nay, LLMs xử lý giai đoạn phân loại này một cách dễ dàng. Mặc dù ấn tượng, nhưng điều này chỉ giải quyết được mặt trước của nhiệm vụ.

2. Lập bản đồ Quy trình (Logic)

Bước thứ hai là lập bản đồ đường thực hiện, hoặc logic của phần giữa phức tạp. Điều này đòi hỏi phải điều hướng các quy tắc kinh doanh và ngoại lệ độc quyền mà không phải là kiến thức công khai. Đối với một khoản hoàn trả đơn giản, một thành viên trong nhóm phải biết hệ thống nào nắm giữ giao dịch, cách thuế được xử lý và liệu phê duyệt của người quản lý có cần thiết hay không.

Đây là nơi mà lợi thế cạnh tranh của một tổ chức tồn tại, nhưng đây cũng là nơi tự động hóa bị phá vỡ. Ngay cả khi các API tồn tại, chúng thường không đủ hoặc bị cô lập. Không có bản đồ trung tâm để điều hướng 5-7 hệ thống riêng biệt cần thiết để hoàn thành một quy trình công việc, trí tuệ nhân tạo thiếu hướng dẫn cần thiết để chuyển đổi quyết định thành một loạt hành động kỹ thuật.

3. Hành động Hệ thống (Thực hiện)

Bước cuối cùng là thực hiện hệ thống: gửi dữ liệu vào ERP, cập nhật CRM hoặc kích hoạt cổng thanh toán.

Trong các quy trình thủ công, cộng tác viên thực hiện việc thực hiện này bằng cách đóng vai trò là sự tích hợp của con người giữa các hệ thống. Trong một thế giới tự động, trí tuệ nhân tạo không thể chỉ quyết định liệu một thay đổi có cần thiết hay không; nó đòi hỏi một nền tảng có khả năng xử lý giao dịch với cùng mức độ bảo mật và tuân thủ như một người vận hành. Nếu không có cơ sở hạ tầng thực hiện này, các dự án trí tuệ nhân tạo vẫn còn là nguyên mẫu vĩnh viễn và sẽ thất bại khi chúng gặp phải sự ngẫu nhiên của thế giới thực.

Chuyển từ một bản demo sang một hệ thống sản xuất đòi hỏi phải giải quyết dặm cuối cùng của hành động hệ thống này. Nếu khoảng cách này không được lấp đầy, tự động hóa sẽ vẫn giòn và cuối cùng sẽ bị các đội vận hành bỏ qua.

Vấn đề Tích hợp: Người quan sát so với Người vận hành

Ma sát kỹ thuật này là lý do tại sao các công ty vẫn phụ thuộc vào các quy trình thủ công cho các nhiệm vụ cơ bản. Trong hầu hết các công ty, một cộng tác viên dành cả ngày để di chuyển dữ liệu thủ công giữa các công cụ, như sao chép thông tin từ cơ sở dữ liệu hóa đơn vào CRM hoặc cập nhật nền tảng hậu cần. Họ thực sự là chất kết dính giữ cho các hệ thống gắn kết lại với nhau.

Để tự động hóa, một công ty truyền thống sẽ phải xây dựng và duy trì các kết nối tùy chỉnh cho từng công cụ trong quy trình. Chi phí xây dựng cơ sở hạ tầng này thường vượt quá giá trị của tự động hóa itself. Nếu không có các kết nối này, một trợ lý trí tuệ nhân tạo có thể hiểu khách hàng nhưng không thể thực sự giúp họ – nó trở thành một người quan sát có trả lương cao, không phải là người vận hành. Nó có thể nhìn thấy giải pháp, nhưng nó không có quyền truy cập để thực hiện sửa chữa. Đây là lý do tại sao hầu hết các dự án trí tuệ nhân tạo không bao giờ vượt qua việc trả lời các câu hỏi thường gặp hoặc thực hiện các nhiệm vụ hẹp.

Sử dụng Orchestration để Lấp đầy Khoảng cách

Để chuyển qua các nguyên mẫu, các tổ chức cần phải sắp xếp. Hãy nghĩ về điều này như một khung đỡ kết nối suy nghĩ (Bước 1) với việc thực hiện (Bước 3) bằng cách quản lý logic phức tạp (Bước 2) ở giữa.

Một trợ lý trí tuệ nhân tạo có thể xác định những gì cần được thực hiện, nhưng nó thường thiếu quyền và bộ nhớ xuyên hệ thống để sở hữu một quy trình từ đầu đến cuối. Đối với bất kỳ nhiệm vụ nào vượt quá một nhiệm vụ đơn giản, trợ lý cần một nền tảng xử lý đăng nhập, sắp xếp các bước trên các công cụ khác nhau và theo dõi tiến độ. Nếu không có lớp này, trí tuệ nhân tạo chỉ là một người ra quyết định có khả năng nhưng không có cách nào để thực hiện quyết định của mình.

Sắp xếp cũng giải quyết bẫy kỹ thuật của các kết nối API một lần. Khi chúng tôi xây dựng kiến trúc cho MelodyArc, chúng tôi tập trung vào một lớp trung tâm nơi các trợ lý trí tuệ nhân tạo có thể duy trì ngữ cảnh trên các hệ thống và phối hợp hành động thông qua API hoặc giao diện web. Bằng cách xử lý các công việc kỹ thuật nặng, sắp xếp cho phép các đội vận hành định nghĩa quy trình công việc bằng cách sử dụng các khối xây dựng thay vì mã. Điều này biến trí tuệ nhân tạo từ một trợ lý tiện lợi thành một người vận hành đáng tin cậy có thể xử lý một nhiệm vụ trong suốt vòng đời của nó.

Độ trung thực cao với Con người trong Vòng lặp

Kết quả không đáng tin cậy là cách nhanh nhất để các đội vận hành từ chối công nghệ mới. Sắp xếp là mạnh nhất khi nó bao gồm một lớp Con người trong Vòng lặp (HITL). Mặc dù thường bị bỏ qua hoặc bác bỏ như một thất bại của tự động hóa, chuyên môn của con người là một thành phần kiến trúc quan trọng.

Để một quy trình thực sự hoạt động, hệ thống phải nhận ra giới hạn của mình trong các trường hợp cạnh phức tạp hoặc khi sự tự tin của trí tuệ nhân tạo thấp. Cung cấp một con đường rõ ràng để nâng cao cho một cộng tác viên và trở lại đảm bảo rằng tự động hóa vẫn mạnh mẽ.

Ngoài ra, bằng cách ghi lại các can thiệp này, các công ty cũng tạo ra một hồ sơ quyết định. Điều này cho phép các nhà quản lý xem xét cách các chuyên gia giải quyết vấn đề và sử dụng những ví dụ đó để cải thiện tự động hóa mà không ảnh hưởng đến chất lượng dịch vụ.

Tóm tắt: Xây dựng Hệ thống Hoạt động

Chuyển từ một phiên bản thử nghiệm sang một hệ thống sản xuất đòi hỏi hơn một mô hình thông minh, nó đòi hỏi một hệ thống được xây dựng để thực hiện công việc. Trí tuệ nhân tạo đã loại bỏ rào cản của suy luận, nhưng nó không thể giải quyết các hệ thống phân mảnh một mình.

Để thành công, các doanh nghiệp phải chuyển qua “trí tuệ nhân tạo vì trí tuệ nhân tạo” và tập trung vào việc thiết kế lại các quy trình công việc của họ cho thực hiện từ đầu đến cuối với sự giúp đỡ của sắp xếp.